Duplex og Letta,
side om side.
Letta bygger agenter med tilstand op om vedvarende hukommelse og lærte færdigheder. Duplex kobler din AI sammen med en anden intelligens, en ACI-model: sammen lærer de af hvert resultat, planlægger, simulerer, beslutter og handler på det under kørsel, inden for dine regler, uanset hvilken model du bruger.
Sammenligningen er aktuel pr. 16. oktober 2026.
Alle evner: Duplex og Letta.
Hvad hver enkelt gør, gruppe for gruppe, fra hvad den er, til hvad den koster.
- Indbygget
- Bygget ind i kernen af, hvordan produktet fungerer.
- Ekstern
- Du leverer det, eller samler det, separat.
- Ikke indbygget
- Produktets dokumentation angiver det ikke som en indbygget funktion. En specialbygget løsning kan stadig være mulig.
| Evne | Duplex | Letta |
|---|---|---|
| Hvad hver enkelt er | ||
| Hvad den er | Din AI og en ACI-model, der arbejder som én: runtime-intelligens, der lærer, planlægger, simulerer, beslutter og handler for dine agenter og assistenter, inden for dine regler | En platform til agenter med tilstand, bygget op om vedvarende hukommelse og læring i token-rummet |
| Hvad den bringer videre | Kontekst, beslutninger, udfald, regler, opgaver, færdigheder og det, den har lært | Agenthukommelse, samtaler, filer og færdigheder |
| Hvad der bliver bedre med erfaring | Dens næste beslutninger: konfidens, routing, anbefalinger, værktøjsbrug og genbrugelig viden | Agentens fremtidige adfærd, gennem opdateret hukommelse og lærte færdigheder |
| At vide, hvad der skete, og lære af det | IndbyggetDen ved, hvad der skete, og lærer, hvad der skal ændres næste gang | Begge findes, primært gennem hukommelse og færdigheder i token-rummet |
| Læring | ||
| Kontinuerlig læring uden gentræning | IndbyggetDen bliver ved med at lære, uden for din models vægte | IndbyggetToken-rums- og færdighedslæring |
| Tilpasning tur for tur | IndbyggetHvert nyt resultat kan ændre den næste beslutning med det samme | Agentstyret hukommelse kan ændre sig løbende; færdighedslæring følger efter afsluttet erfaring |
| Læring fra rettelser | IndbyggetEn rettelse ændrer, hvad Duplex gør næste gang | Rettelser kan opdatere hukommelsen eller indgå i lærte færdigheder |
| Læring fra udfald | IndbyggetSucces og fiasko føres direkte tilbage i det, den lærer | Muligt gennem refleksion over forløb og agentstyrede opdateringer |
| Læring fra belønninger | IndbyggetEn belønning styrker det, der virkede, og retter det, der ikke gjorde | Belønninger er ikke dens vigtigste måde at lære på |
| Æren til trinnene bag et resultat | IndbyggetDen finder ud af, hvilke tidligere handlinger der førte til et senere resultat | Letta tilbyder ikke dette indbygget under kørsel |
| Hvordan handlinger flytter arbejdet | IndbyggetDen lærer, hvordan hver handling flytter arbejdet fra én tilstand til den næste | Agenten kan udlede dette fra konteksten |
| At forudsige, hvad en handling vil gøre | IndbyggetUd fra det, den observerer, forudsiger den, hvad en handling vil gøre, afprøver alternativer og planlægger | Modellen ræsonnerer over hukommelsen |
| Bedre valg af handling | IndbyggetUdfald forbedrer, hvilken handling den vælger næste gang | Adfærden forbedres gennem hukommelse og færdigheder |
| Genbrugelige færdigheder | IndbyggetErfaring bliver til færdigheder, der testes før brug, og som kan sættes på pause, hentes tilbage eller trækkes tilbage | IndbyggetForløb kan blive til varige færdigheder, der virker med enhver model |
| At teste og styre færdigheder | En færdighed testes, før man forlader sig på den, og kan sættes på pause, hentes tilbage, trækkes tilbage eller fjernes for altid | Færdigheder er filer, du kan inspicere, styre og versionere |
| Generalisering til beslægtede tilfælde | Den fører det, den har lært, videre til beslægtede tilfælde og nye formuleringer og ind i færdigheder, den kan genbruge | Færdigheder i token-rummet generaliserer procedurer på tværs af opgaver |
| At planlægge, simulere, beslutte og handle | ||
| At vide, hvor sikker den er | IndbyggetFør hver beslutning ved den, hvor velkendt sagen er, og hvor sikker den er | Primært modellens dømmekraft og hvor relevant hukommelsen er |
| Svar, overdrag eller afvis | IndbyggetDuplex svarer selv, kalder din model, bruger et værktøj eller afviser, inden for dine regler | Agenten fortsætter som regel gennem modellens ræsonnement |
| At svare selv på velkendt arbejde | IndbyggetDen træffer selv velkendte beslutninger uden endnu et kald til en frontiermodel | Modellen fortolker stadig hukommelsen eller færdighederne |
| At overdrage det, der er nyt eller usikkert | Nyt, usikkert eller følsomt arbejde går til den rette model, det rette værktøj eller den rette person | Agenten og modellen afgør, hvornår der er brug for mere hjælp |
| Planlægning, simulering og anbefalinger | IndbyggetDen forudsiger, hvad der sker derefter, afprøver alternativer, bygger planer og anbefaler handlinger | Primært gennem modellens ræsonnement og agentens værktøjer |
| Mange agenter, der arbejder sammen | Den sender arbejdet til den rette agent, deler det op inden for dine regler, holder hver agent inden for dens område og samler resultaterne | Agenter, subagenter og delt hukommelse er tilgængelige |
| At lære, hvilke værktøjer der virker | Den lærer, hvilke værktøjer der virker, hvornår de skal bruges, og hvad hvert enkelt fører til | Færdigheder og hukommelse kan forbedre værktøjsbrug |
| Værktøjshandlinger inden for dine regler | Værktøjer kører kun gennem dine regler og tilladelser | Agenttilladelser og værktøjskonfiguration |
| Streaming | Den streamer output fra model og værktøjer, med hvert trin stadig inden for dine regler | Tilgængelig gennem agent- og modelgrænseflader |
| Arbejde, der fortsætter | ||
| Læring fra hvert trin, automatisk | Hvert trin, gennem MCP + hooks eller plugins, indgår i én fælles læringssløjfe | Lettas runtime lagrer agenternes samtaler og handlinger |
| Kontekst på tværs af sessioner | IndbyggetArbejde, beslutninger, opgaver og den kontekst, der betyder noget, fortsætter på tværs af sessioner | IndbyggetVedvarende agenter bevarer hukommelsen på tværs af samtaler |
| Langvarigt arbejde | IndbyggetLangt arbejde forbliver åbent på tværs af sessioner og agenter, med sikre punkter at vende tilbage til, indtil det er færdigt eller glemt | Vedvarende agenter kan føre arbejdet videre, med en livscyklus, som agenten og appen fastlægger |
| På tværs af modeller | IndbyggetDet, den lærer, og din kontekst forbliver uden for modellen og følger arbejdet på tværs af udbydere | Stærk: hukommelse og færdigheder i token-rummet kan overleve et modelskift |
| På tværs af apps og agenter | Det samme arbejde fortsætter på tværs af Claude, Codex, Cursor, Hermes og dine egne agenter | Agenter med tilstand kan nås via SDK’er og hostet MCP |
| At overdrage arbejde til en anden agent | En opgave og dens kontekst går videre til en anden agent, du tillader, klar til at fortsætte | Delte agenter og repositorier kan understøtte en overdragelse |
| At holde konteksten kompakt | Konteksten forbliver kompakt, fokuseret på de regler, opgaver og beslutninger, der betyder noget | Organisering af hukommelse, resuméer og filbaseret kontekststyring |
| Læring fra billeder, lyd, video og PDF’er | Den lærer af billeder, lyd, video og PDF’er, ligesom den gør af tekst | Afhænger af den tilsluttede model og agentens værktøjer |
| På tværs af formater | Et spørgsmål i ord kan trække på det, der er lært fra billeder, lyd og video, og medier kan forme senere beslutninger | Afhænger af modellen og af, hvordan hukommelsen er bygget |
| Mennesker, teams og deling | ||
| For hver person | IndbyggetHver person får sin egen private kontekst, sine præferencer og sin læring | Indbygget hukommelse pr. agent og pr. bruger |
| For hvert team | IndbyggetTeams deler godkendt læring, og privat arbejde forbliver privat | Delte hukommelsesrepositorier og færdigheder |
| På tværs af organisationen | IndbyggetDet, der virker, kan bevæge sig fra én person til teamet og organisationen, under dine regler | Færdigheder og hukommelse kan deles på tværs af organisationen |
| Deling mellem mennesker, under kontrol | Du vælger, hvad der deles, og med hvem, og kan trække det tilbage; alt delt viser, hvem det kom fra | Delte repositorier og samarbejdstilladelser |
| Beskyttelse af delt indhold | Det, nogen deler, ankommer som information, aldrig som instruktioner, så det ikke kan styre en anden persons agent | Afhænger af agentens kontekst og tilladelser |
| Kontrol og tillid | ||
| Regler | Dine regler er en del af, hvordan Duplex fungerer: de tillader, afviser eller begrænser reelle handlinger | Instruktioner og tilladelser former agentens adfærd |
| Regler anvendt før hver handling | IndbyggetHooks tjekker hver handling mod dine regler, før den kører | Afhænger af Lettas runtime, tilladelser og værktøjsværten |
| Mennesker i processen | En person bekræfter de handlinger, du vælger, og det, Duplex lærer, kan gennemgås og fortrydes | Brugere kan inspicere og styre hukommelse og færdigheder |
| En historik, du kan kontrollere | En historik over hver beslutning, hvor den kom fra, og hvad der kom ud af den, som ikke kan ændres i det stille | Vedvarende samtaler, hukommelse og agenttilstand |
| Kvitteringer, du kan verificere | Beslutninger, færdigheder og sletninger kan komme med kvitteringer, du kan verificere | Versionerede minder og færdigheder |
| At fortryde det lærte, præcist | IndbyggetÉn lært ændring kan fortrydes præcist, uden at noget skal gentrænes | Færdigheder og minder kan redigeres eller rulles tilbage via versioner |
| Glemsel, der når alt, hvad der er bygget på det | At fjerne noget fjerner også det, der kom fra det: kontekst, alt delt fra det og relateret læring | Hukommelse og færdigheder ryddes op via filer og versioner |
| At holde kunder adskilt | Hver bruger, hvert team, hver organisation og hver kunde holdes adskilt, i hver integration og i alt, den deler | Tilladelser i cloud og ved selvhosting |
| Hvor alt det lærte kom fra | For alt, den lærte, kan du se kilden, omfanget, og hvor langt man kan stole på det | Hukommelse og færdigheder forbliver til at inspicere |
| Hvor den kører og forbinder | ||
| Enhver modeludbyder | Én intelligens på tværs af OpenAI, Anthropic, Google, AWS og kompatible modeller | Et agentmiljø, der virker med enhver model |
| MCP | IndbyggetGennem MCP + hooks indgår Duplex i hvert trin, dine agenter tager | Hostet MCP lader andre agenter oprette Letta-agenter med tilstand og sende dem beskeder |
| Hooks og plugins | IndbyggetPlugins til Claude, Codex, Cursor og Hermes og hooks, der henter Duplex ind ved hvert trin og tjekker følsomme værktøjshandlinger | Integration via SDK, CLI og agent-runtime |
| Din cloud, eller selvhostet | Vareon Cloud eller din egen cloud-konto: selvhostet eller drevet for dig af Vareon | Cloud og en selvhostet appserver |
| Omkostning, hastighed og egnethed | ||
| Hvordan den sænker modelomkostningerne | Duplex besvarer selv velkendt arbejde uden gentagne kald til en frontiermodel | Bedre kontekst og færdigheder forbedrer resultaterne, men modellen kører stadig |
| Hvordan den sænker latensen | Beslutninger, den er sikker på, kommer hurtigt tilbage; usikkert arbejde går stadig til din frontiermodel | Bedre organiseret kontekst kan mindske spildt ræsonnement |
| Overlever en modelopgradering | JaLæring, kontekst, opgaver og regler forbliver uden for enhver enkelt model | JaHukommelse og færdigheder er bevidst uafhængige af modellen |
| Kræver finjustering | NejFinjustering bliver et valgfrit ekstra trin | Nej |
| Bedst til | Organisationer, der har brug for, at deres AI-agenter lærer, planlægger, simulerer, beslutter og handler inden for regler, fører arbejdet videre og bliver bedre på tværs af modeller, som ét system | Teams, der bygger vedvarende, selvforbedrende agenter op om hukommelse og færdigheder i token-rummet |
De andre sammenligninger.
- Duplex og CopilotKit CLiFRigtige arbejdsgange, gjort til færdigheder
- Duplex og Deeplake HivemindDelt hukommelse til kodeagenter
- Duplex og hukommelsesplatformeMem0, Zep, AgentCore Memory, Supermemory
- Duplex og finjusteringFinjustering og forstærkningsbaseret finjustering
- Duplex og AI-gatewaysPortkey, LiteLLM og lignende
- Den fulde sammenligningDuplex ved siden af alle seks, side om side
Se Duplex på dit eget arbejde.
Sammenlign, hvor det tæller: et pilotprojekt sætter Duplex på dit eget arbejde, med målepunkterne aftalt, før det går i gang.